Harbin Institute of Technology
实验报告
课程名称：院 系：班 级：姓 名：学 号：指导教师：实验时间：
随机信号分析 电信学院
郑 薇 2014年 11月 哈尔滨工业大学
实验一 各种分布随机数的产生
实验目的
在很多系统仿真的过程中，需要产生不同分布的随机变量。利用计算机可以很方便地产生不同分布的随机变量，各种分布的随机变量的基础是均匀分布的随机变量。有了均匀分布的随机变量，就可以用函数变换等方法得到其他分布的随机变量。
实验内容
产生均匀分布的随机数、高斯分布的随机数和其它分布的随机数。
实验原理
均匀分布随机数的产生原理
产生伪随机数的一种实用方法是同余法，它利用同余运算递推产生伪随机数序列。最简单的方法是加同余法
yn?1?yn?c(modM)
xn?1?yn?1 M
为了保证产生的伪随机数能在[0,1]内均匀分布，需要M为正整数，此外常数c和初值y0亦为正整数。加同余法虽然简单，但产生的伪随机数效果不好。另一种同余法为乘同余法，它需要两次乘法才能产生一个[0,1]上均匀分布的随机数
yn?1?ayn(modM)
xn?1?yn?1 Myn?1 M式中，a为正整数。用加法和乘法完成递推运算的称为混合同余法，即
yn?1?ayn?c(modM)
xn?1?用混合同余法产生的伪随机数具有较好的特性，一些程序库中都有成熟的程序供选择。
常用的计算语言如Basic、C和Matlab都有产生均匀分布随机数的函数可以调用，只是用各种编程语言对应的函数产生的均匀分布随机数的范围不同，有的函数可能还需要提供种子或初始化。
Matlab提供的函数rand()可以产生一个在[0,1]区间分布的随机数，rand(2,4)则可以产生一个在[0,1]区间分布的随机数矩阵，矩阵为2行4列。Matlab提供的另一个产生随机数的函数是random('unif',a,b,N,M)，unif 表示均匀分布，a和b是均匀分布区间的上下界，N和M分别是矩阵的行和列。
19
随机变量的仿真
根据随机变量函数变换的原理，如果能将两个分布之间的函数关系用显式表达，那么就可以利用一种分布的随机变量通过变换得到另一种分布的随机变量。
若X是分布函数为F(x)的随机变量，且分布函数F(x)为严格单调升函数，令Y=F(X)，则Y必为在[0,1]上均匀分布的随机变量。反之，若Y是在[0,1]上均匀分布的随机变量，那么
?1X?FX(Y)
?1(?)为FX(?)的反函数。这样，欲求即是分布函数为FX(x)的随机变量。式中FX某个分布的随机变量，先产生在[0,1]区间上的均匀分布随机数，再经上式变换，
便可求得所需分布的随机数。 高斯分布随机数的仿真
广泛应用的有两种产生高斯随机数的方法，一种是变换法，一种是近似法。 如果X1,X2是两个互相独立的均匀分布随机数，那么下式给出的Y1,Y2
??Y1???2lnX1cos(2πX2)?m ???Y2???2lnX1sin(2πX2)?m便是数学期望为m，方差为?2的高斯分布随机数，且互相独立，这就是
变换法。
另外一种产生高斯随机数的方法是近似法。在学习中心极限定理时，曾提到n个在[0,1]区间上均匀分布的互相独立随机变量Xi (i=1,2…,n)，当n足够大时，其和的分布接近高斯分布。当然，只要n不是无穷大，这个高斯分布是近似的。由于近似法避免了开方和三角函数运算，计算量大大降低。当精度要求不太高时，近似法还是具有很大应用价值的。 各种分布随机数的仿真
有了高斯随机变量的仿真方法，就可以构成与高斯变量有关的其他分布随机变量，如瑞利分布、指数分布和2分布随机变量。
实验过程和结果分析
1.产生均匀分布的随机数
>> for n=1:1024 y=rand();
x(n)=y*(6-3)+3; end
>> plot(x);
19
2.产生高斯分布的随机数 x=random('Normal',0,2,1,1024)；
3.产生瑞利分布和
分布
>> N=30000; >> g=-6:0.1:6;
>> G1=random('Normal',0,1,1,N); >> G2=random('Normal',0,1,1,N); >> G3=random('Normal',0,1,1,N); >> G4=random('Normal',0,1,1,N); >> R=sqrt(G1.*G1+G2.*G2);
>> X2=G1.*G1+G2.*G2+G3.*G3+G4.*G4;
实验结论
使用Matlab产生均匀分布的随机数、高斯分布的随机数、瑞利分布和的随机数。
分布
19
实验二 随机变量检验 实验目的
随机数产生之后，必须对它的统计特性做严格的检验。一般来讲，统计特性的检验包括参数检验、均匀性检验和独立性检验等。事实上，我们如果在二阶矩范围内讨论随机信号，那么参数检验只对产生的随机数一、二阶矩进行检验。我们可以把产生的随机数序列作为一个随机变量，也可以看成随机过程中的一个样本函数。不论是随机变量还是随机过程的样本函数，都会遇到求其数字特征的情况，有时需要计算随机变量的概率密度直方图等。
实验内容
1. 对实验一产生的各种分布的随机数进行均值和方差的检验。
2. 对实验一产生的各种分布的随机数概率分布进行统计，并在计算机屏幕上显示实际统计的概率密度直方图。
实验原理
1. 均值的计算
在实际计算时，如果平稳随机序列满足各态历经性，则统计均值可用时间均值代替。这样，在计算统计均值时，并不需要大量样本函数的集合，只需对一个样本函数求时间平均即可。甚至有时也不需要计算N??时的极限，况且也不可能。通常的做法是取一个有限的、计算系统能够承受的N求时间均值和时间方差。根据强调计算速度或精度的不同，可选择不同的算法。
设随机数序列{x1,x2,?,xN}，一种计算均值的方法是直接计算下式
m?1N?xn Nn?1式中，xn为随机数序列中的第n个随机数。
另一种方法是利用递推算法，第n次迭代的均值也亦即前n个随机数的均值为
mn?n?111mn?1?xn?mn?1?(xn?mn?1) nnnm?mN
迭代结束后，便得到随机数序列的均值
递推算法的优点是可以实时计算均值，这种方法常用在实时获取数据的场合。 当数据量较大时，为防止计算误差的积累，也可采用
19
随机信号剖析
